rhap-llm-audio/Taiwan-Tongues-ASR-CE-pretrained

Taiwan-Tongues-ASR-CE-pretrained Model

本模型為 Taiwan-Tongues-ASR-CE 專案所使用的 Automatic Speech Recognition (ASR) 模型，配合對應的語料庫進行預訓練與微調。

📂 模型檔案結構

模型包含以下檔案：

• —config.json — 模型結構與超參數設定
• —model.bin — 預訓練權重
• —preprocessor_config.json — 音訊前處理設定
• —tokenizer.json — 分詞器設定
• —vocabulary.json — 詞彙表

🛠️ 訓練方法

請參考 Taiwan-Tongues-ASR-CE 專案最新且完整訓練方法及步驟

1. 安裝依賴套件

請先安裝 Python 3.8+ 及以下套件（建議使用虛擬環境）：

pip install torch transformers datasets evaluate

2. 準備語料

依照 專案資料集格式 放置語音資料與標註檔案。

• —推薦使用 WebDataset tar 檔 (train/train-000000.tar...) 搭配 metadata，能更方便地進行流式訓練。
• —也可使用 train.tsv / test.tsv 載入，但不建議。

3. 執行訓練腳本

可直接執行 run.sh，或根據需求修改參數：

bash run.sh

主要參數說明：

• —--model_name_or_path：預訓練模型名稱（如 openai/whisper-large-v3，或本模型路徑 ./）
• —--corpus_data_dir：語料資料夾（如 sample_corpus）
• —--dataset_config_name：資料集組合（如 train_ds_01+train_ds_02）
• —--language：語言代碼（如 zh、nan、hak、en）
• —其他參數可參考 run.sh 及 train_asr.py。

4. 訓練結果

訓練完成後，模型與相關設定會儲存在 output/ 目錄：

output/
├── config.json
├── model.bin
├── preprocessor_config.json
├── tokenizer.json
├── vocabulary.json

📦 已訓練模型

• —已訓練好的國語、台語、客語、英語模型存放於 models/ 目錄，包含：

• —model.bin：模型權重
• —config.json、preprocessor_config.json、tokenizer.json、vocabulary.json

這些檔案可以直接放入 Hugging Face transformers 進行推論或微調。

🙌 貢獻與回饋

歡迎研究人員與開發者使用本模型，並透過 Issue 或 Pull Request 回饋改進。

📜 授權

本模型依照 Taiwan-Tongues-ASR-CE 專案授權條款釋出，使用者需遵守相關規範。